CN114565422A - 仓库销量预测方法、装置、存储介质及设备 - Google Patents

仓库销量预测方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN114565422A
CN114565422A CN202210313534.4A CN202210313534A CN114565422A CN 114565422 A CN114565422 A CN 114565422A CN 202210313534 A CN202210313534 A CN 202210313534A CN 114565422 A CN114565422 A CN 114565422A
Authority
CN
China
Prior art keywords
sales
downstream
warehouse
prediction result
target warehouse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210313534.4A
Other languages
English (en)
Inventor
王谦
郭子豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shanshu Network Technology Co ltd
Shanshu Science And Technology Suzhou Co ltd
Shanshu Science And Technology Beijing Co ltd
Shenzhen Shanzhi Technology Co Ltd
Original Assignee
Shanghai Shanshu Network Technology Co ltd
Shanshu Science And Technology Suzhou Co ltd
Shanshu Science And Technology Beijing Co ltd
Shenzhen Shanzhi Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Shanshu Network Technology Co ltd, Shanshu Science And Technology Suzhou Co ltd, Shanshu Science And Technology Beijing Co ltd, Shenzhen Shanzhi Technology Co Ltd filed Critical Shanghai Shanshu Network Technology Co ltd
Priority to CN202210313534.4A priority Critical patent/CN114565422A/zh
Publication of CN114565422A publication Critical patent/CN114565422A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种仓库销量预测方法、装置、存储介质及设备，涉及销量预测领域，主要为解决市面上仓库销量预测的方法不够科学化、准确化的问题。该方法包括：获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；基于所述目标仓库基础销量预测结果、所述下游销量预测结果和所述下游补货预测结果，确定所述目标仓库的最终销量预测结果。本发明用于仓库销量预测过程。

Description

仓库销量预测方法、装置、存储介质及设备
技术领域
本发明涉及销量预测领域，尤其涉及一种仓库销量预测方法、装置、存储介质及设备。
背景技术
在目前市场上，进行商业销量预测时，厂家经常会遇到仓库级别销量预测的情况，与门店不同的是，仓库所服务的下游客户往往是门店等分销处仓库，此时需要预测的销量本质上是下游门店等分销处仓库向厂家仓库申请的补货量，和一般的销量预测场景不同，下游门店等分销处仓库向厂家仓库申请的补货量一般来说更多会受到下游仓库的库存管理人员的补货习惯、下游仓库的库存量等多种因素影响，预测较为困难。
发明内容
鉴于上述问题，本发明提供一种仓库销量预测方法、装置、存储介质及设备，主要目的在于解决市面上仓库销量预测的方法不够科学化、准确化的问题。
为解决上述至少一种技术问题，第一方面，本发明提供了一种仓库销量预测方法，该方法包括：
获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；
基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果。
可选的，上述方法还包括：
基于第m月前上述目标仓库的历史销量数据，预测上述第m月的上述目标仓库基础销量预测结果。
可选的，上述方法还包括：
基于第m月前下游仓库的历史销量数据，预测第m+1月的上述下游销量预测结果。
可选的，上述方法还包括：
基于上述下游销量预测结果、上述下游仓库的补货规则、上述下游仓库的当前库存确定上述下游补货预测结果。
可选的，上述基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果，包括：
基于上述第m月的上述目标仓库基础销量预测结果、上述第m+1月的上述下游销量预测结果和第m+1月的下游补货预测结果，确定上述目标仓库的最终销量预测结果。
可选的，上述方法还包括：
获取售出商品的尺码和购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好；
基于上述售出商品的尺码和购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好，预测上述售出商品的退货概率；
根据每件上述售出商品的退货概率，修正上述目标仓库的最终销量预测结果。
可选的，上述方法还包括：
基于上述目标仓库的最终销量预测结果，对上述目标仓库进行补货管控。
第二方面，本发明实施例还提供了一种仓库销量预测装置，包括：
获取单元，用于获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；
确定单元，用于基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果。
为了实现上述目的，根据本发明的第三方面，提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序被处理器执行时实现上述的仓库销量预测方法。
为了实现上述目的，根据本发明的第四方面，提供了一种电子设备，包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行上述的仓库销量预测方法。
借由上述技术方案，本发明提供的仓库销量预测方法、装置、存储介质及设备，对于市面上仓库销量预测的方法不够科学化、准确化的问题，本发明通过获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果。在上述方案中，将目标仓库的目标仓库基础销量预测结果纳入考虑，使预测可以基于自身仓库的数据得出更精准的结果，将下游销量预测结果纳入考虑，使预测可以基于分销处销量预测数据得出更精准的结果，将下游补货预测结果纳入考虑，使预测可以基于分销处补货预测数据得出更精准的结果，本方法不依赖人工经验，可以批量化预测，极大的节省了人力成本，将三者综合考虑使得出的目标仓库的最终销量预测结果可以更精准的匹配仓库的商品供应。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种仓库销量预测方法的流程示意图；
图2示出了本发明实施例提供的一种仓库销量预测装置的组成示意框图；
图3示出了本发明实施例提供的一种仓库销量预测设备的组成示意框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了解决市面上仓库销量预测的方法不够科学化、准确化的问题，本发明实施例提供了一种仓库销量预测方法，如图1所示，该方法包括：
101、获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果。
示例性的，上述目标仓库是指供应商仓库，按物品类别分为原材料仓库、配件仓库、产成品仓库、半成品、在制品仓库等。获取上述目标仓库的基础销量预测结果，上述目标仓库的销量是指供应商仓库供应给下游分销商的出货量，上述目标仓库的基础销量预测结果是指未来供应商仓库预计供应给下游分销商的出货量。上述下游是指代理商、经销商、零售端等分销端，上述下游销量预测结果是指预计未来代理商、经销商、零售端等分销端将会售出的商品数量。上述下游补货预测结果是指未来上述代理商、经销商、零售端等分销端预计从上述供应商仓库的拿货量。
102、基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果。
示例性的，基于上述供应商仓库预计供应给下游分销商的出货量、上述未来代理商、经销商、零售端等分销端将会售出的商品数量及上述代理商、经销商、零售端等分销端预计从上述供应商仓库的拿货量预测未来上述供应商仓库的出货量，从而达到以销定产,根据销量预测结果,安排生产,避免货物积压或货物不足的情况发生。
借由上述技术方案，本发明提供的仓库销量预测方法，对于市面上仓库销量预测的方法不够科学化、准确化的问题，本发明通过获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果。在上述方案中，将目标仓库的目标仓库基础销量预测结果纳入考虑，使预测可以基于自身仓库的数据得出更精准的结果，将下游销量预测结果纳入考虑，使预测可以基于分销处销量预测数据得出更精准的结果，将下游补货预测结果纳入考虑，使预测可以基于分销处补货预测数据得出更精准的结果，本方法不依赖人工经验，可以批量化预测，极大的节省了人力成本，本方法将三方因素通过取平均值、通过设定权重综合结果或排序数据关联等方式预测，得出的目标仓库的最终销量预测结果可以更精准的匹配仓库的商品供应。
在一种实施例中，上述方法还包括：
基于第m月前上述目标仓库的历史销量数据，预测上述第m月的上述目标仓库基础销量预测结果。
示例性的，上述目标仓库的历史销量数据可以通过后台获得。获取第m-1月、第m-2月、第m-n月的上述目标仓库的历史销量数据后，通过对历史销量数据进行清洗，将因上述厂家对下游的促销活动或商品缺货带来的数据变化提取出来单独处理，从而对历史数据趋势达到一个完整的认识，然后再提取产品的特征，得到训练样本，形成训练集，进行建模，例如时间序列的ARIMA、Holt-winters等模型，或者使用机器学习模型如线性回归、随机森林、GBDT等，对比真实数据加以调试，从而预测未来一段时间的数据。得出第m月的上述目标仓库基础销量预测结果。本方法通过获取往期多月的数据，可以获得更精准的确定第m月的上述供应商仓库基础销量预测结果。
在一种实施例中，上述方法还包括：
基于第m月前下游仓库的历史销量数据，预测第m+1月的上述下游销量预测结果。
示例性的，上述下游仓库的历史销量数据可以通过后台获得。获取第m-1月、第m-2月、第m-n月的上述下游仓库的历史销量数据后，通过对历史销量数据进行清洗，将因下游对顾客的促销活动或商品缺货带来的数据变化提取出来单独处理，从而对历史数据趋势达到一个完整的认识，然后再提取产品的特征，得到训练样本，形成训练集，进行建模，例如时间序列的ARIMA、Holt-winters等模型，或者使用机器学习模型如线性回归、随机森林、GBDT等，对比真实数据加以调试，从而预测未来一段时间的数据。需要注意的是，当上述下游仓库向上述供应商仓库提交补货单之后，需要一段时间才能完成上述供应商仓库向上述下游仓库的供货，故下游仓库补货是有提前期的，上述提前期可以是一个月，因此上述下游仓库基于本月即m月获取本月之前即第m-1月、第m-2月、第m-n月的上述下游仓库的历史销量数据后，所预测的结果应该是第m+1月的上述下游销量预测结果，而不是本月即m月的上述下游销量预测结果。本方法通过获取往期多月的数据，可以获得更精准的确定第m+1月的上述下游销量预测结果。
在一种实施例中，上述方法还包括：
基于上述下游销量预测结果、上述下游仓库的补货规则、上述下游仓库的当前库存确定上述下游补货预测结果。
示例性的，上述下游仓库的补货规则是指受不同下游分销端的补货要求及不同补货人员的主观习惯影响，存在不同的补货规则，例如:补货品类的先后次序按照促销品类-主力品类-一般品类补货、有保质期限制的商品必须遵循先进先出的原则等。上述下游仓库的当前库存可以基于上述下游仓库的进货量、售出量、积压量等数据获得。基于第m月前下游仓库的历史销量数据，预测第m+1月的上述下游销量预测结果后，基于上述下游销量预测结果、上述下游仓库的补货规则、上述下游仓库的当前库存确定上述下游补货预测结果。基于上述三方数据所确定的上述下游补货预测结果更加精准，由此确定未来上述下游分销端将会从上述供应商仓库的拿货量。
在一种实施例中，上述基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果，包括：
基于上述第m月的上述目标仓库基础销量预测结果、上述第m+1月的上述下游销量预测结果和第m+1月的下游补货预测结果，确定上述目标仓库的最终销量预测结果。
示例性的，基于上述供应商仓库的历史销量数据确定第m月的上述供应商仓库基础销量预测结果，基于下游仓库的历史销量数据确定第m+1月的上述下游销量预测结果、基于上述下游销量预测结果、上述下游仓库的补货规则、上述下游仓库的当前库存确定上述第m+1月的下游补货预测结果，将所获得的三个数据结合，由此确定上述供应商仓库未来最终会出多少货给各个下游分销商。基于此数据进行精准备货，防止库存积压或货量不够得情况发生。
在一种实施例中，上述方法还包括：
获取售出商品的尺码和购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好；
基于上述售出商品的尺码和购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好，预测上述售出商品的退货概率；
根据每件上述售出商品的退货概率，修正上述目标仓库的最终销量预测结果。
示例性的，服装类产品存在因尺码不合而退换货的情况，上述平台获取售出商品的尺码，以及通过历史数据及大数据计算获取购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好，将二者进行匹配，由此推测该用户是否会对该产品进行退货，对已购买本商品的所有用户进行预测，由此推算得出上述售出商品的退货概率，上述下游分销商接收退货后，将商品返回到下游仓库，此举势必会影响到该商品的下次进货量，由此影响到上述目标仓库即上述供应商仓库的出货量，故基于上述商品的退货概率，对上述目标仓库的最终销量预测结果进行修正：当上述商品的退货概率高时，上述目标仓库的最终销量预测结果应偏低；当上述商品的退货概率低时，上述目标仓库的最终销量预测结果应偏高。例如：商品为一件外套，用户A身材中等，喜欢穿较为宽松的衣服，但此外套的设计较为修身，故预测用户A 购买后的退货概率较大，获取已经购买本外套得用户的后台数据，确定用户们的身材信息及穿衣宽松度喜好，若购买本外套的用喜欢穿较为宽松的衣服的占比较大，由此预估本外套的退货概率可能较高，故降低上述目标仓库的最终销量预测结果。
在一种实施例中，上述方法还包括：
基于上述目标仓库的最终销量预测结果，对上述目标仓库进行补货管控。
示例性的，上述目标仓库确定未来的最终销量预测结果后，基于此结果对上述目标仓库进行补货管控。当上述目标仓库的最终销量预测结果为销量高时，则提高上述目标仓库即上述供应商仓库的备货量，防止库存不足的情况发生；当上述目标仓库的最终销量预测结果为销量低时，则降低上述目标仓库即上述供应商仓库的备货量，防止库存积压的情况发生。
进一步的，作为对上述图1所示方法的实现，本发明实施例还提供了一种仓库销量预测装置，用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图2所示，该装置包括：获取单元21、确定单元22，其中
获取单元21，用于获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；
确定单元22，用于基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果。
示例性的，上述方法还包括：
基于第m月前上述目标仓库的历史销量数据，预测上述第m月的上述目标仓库基础销量预测结果。
示例性的，上述方法还包括：
基于第m月前下游仓库的历史销量数据，预测第m+1月的上述下游销量预测结果。
示例性的，上述方法还包括：
基于上述下游销量预测结果、上述下游仓库的补货规则、上述下游仓库的当前库存确定上述下游补货预测结果。
示例性的，上述基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果，包括：
基于上述第m月的上述目标仓库基础销量预测结果、上述第m+1月的上述下游销量预测结果和第m+1月的下游补货预测结果，确定上述目标仓库的最终销量预测结果。
示例性的，上述方法还包括：
获取售出商品的尺码和购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好；
基于上述售出商品的尺码和购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好，预测上述售出商品的退货概率；
根据每件上述售出商品的退货概率，修正上述目标仓库的最终销量预测结果。
示例性的，上述方法还包括：
基于上述目标仓库的最终销量预测结果，对上述目标仓库进行补货管控。
借由上述技术方案，本发明提供的仓库销量预测装置，对于市面上仓库销量预测的方法不够科学化、准确化的问题，本发明通过获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果。在上述方案中，将目标仓库的目标仓库基础销量预测结果纳入考虑，使预测可以基于自身仓库的数据得出更精准的结果，将下游销量预测结果纳入考虑，使预测可以基于分销处销量预测数据得出更精准的结果，将下游补货预测结果纳入考虑，使预测可以基于分销处补货预测数据得出更精准的结果，本方法不依赖人工经验，可以批量化预测，极大的节省了人力成本，将三者综合考虑使得出的目标仓库的最终销量预测结果可以更精准的匹配仓库的商品供应。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现一种仓库销量预测方法，能够解决市面上仓库销量预测的方法不够科学化、准确化的问题。
本发明实施例提供了一种存储介质，上述存储介质包括存储的程序，该程序被处理器执行时实现上述仓库销量预测方法。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述仓库销量预测方法。
本发明实施例提供了一种设备，上述设备包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行如上述的仓库销量预测方法
本发明实施例提供了一种设备30，如图3所示，设备包括至少一个处理器301、以及与处理器连接的至少一个存储器302、总线303；其中，处理器301、存储器302通过总线303完成相互间的通信；处理器301用于调用存储器中的程序指令，以执行上述的仓库销量预测方法。
本文中的智能设备可以是PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在流程管理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果。
进一步的，上述方法还包括：
基于第m月前上述目标仓库的历史销量数据，预测上述第m月的上述目标仓库基础销量预测结果。
进一步的，上述方法还包括：
基于第m月前下游仓库的历史销量数据，预测第m+1月的上述下游销量预测结果。
进一步的，上述方法还包括：
基于上述下游销量预测结果、上述下游仓库的补货规则、上述下游仓库的当前库存确定上述下游补货预测结果。
进一步的，上述基于上述目标仓库基础销量预测结果、上述下游销量预测结果和上述下游补货预测结果，确定上述目标仓库的最终销量预测结果，包括：
基于上述第m月的上述目标仓库基础销量预测结果、上述第m+1月的上述下游销量预测结果和第m+1月的下游补货预测结果，确定上述目标仓库的最终销量预测结果。
进一步的，上述方法还包括：
获取售出商品的尺码和购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好；
基于上述售出商品的尺码和购买上述售出产品的用户的预存身材信息和穿衣宽松度喜好，预测上述售出商品的退货概率；
根据每件上述售出商品的退货概率，修正上述目标仓库的最终销量预测结果。
进一步的，上述方法还包括：
基于上述目标仓库的最终销量预测结果，对上述目标仓库进行补货管控。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程流程管理设备的处理器以产生一个机器，使得通过计算机或其他可编程流程管理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种仓库销量预测方法，用于服务器，其特征在于，包括：
获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；
基于所述目标仓库基础销量预测结果、所述下游销量预测结果和所述下游补货预测结果，确定所述目标仓库的最终销量预测结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
基于第m月前所述目标仓库的历史销量数据，预测所述第m月的所述目标仓库基础销量预测结果。
3.根据权利要求2所述的方法，其特征在于，还包括：
基于第m月前下游仓库的历史销量数据，预测第m+1月的所述下游销量预测结果。
4.根据权利要求3所述的方法，其特征在于，还包括：
基于所述下游销量预测结果、所述下游仓库的补货规则、所述下游仓库的当前库存确定所述下游补货预测结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述目标仓库基础销量预测结果、所述下游销量预测结果和所述下游补货预测结果，确定所述目标仓库的最终销量预测结果，包括：
基于所述第m月的所述目标仓库基础销量预测结果、所述第m+1月的所述下游销量预测结果和第m+1月的下游补货预测结果，确定所述目标仓库的最终销量预测结果。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取售出商品的尺码和购买所述售出产品的用户的预存身材信息和穿衣宽松度喜好；
基于所述售出商品的尺码和购买所述售出产品的用户的预存身材信息和穿衣宽松度喜好，预测所述售出商品的退货概率；
根据每件所述售出商品的退货概率，修正所述目标仓库的最终销量预测结果。
7.根据权利要求1至6中任一项所述的方法，其特征在于，还包括：
基于所述目标仓库的最终销量预测结果，对所述目标仓库进行补货管控。
8.一种仓库销量预测装置，其特征在于，包括：
获取单元，用于获取目标仓库的目标仓库基础销量预测结果、下游销量预测结果和下游补货预测结果；
确定单元，用于基于所述目标仓库基础销量预测结果、所述下游销量预测结果和所述下游补货预测结果，确定所述目标仓库的最终销量预测结果。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序被处理器执行时实现如权利要求1至权利要求7中任一项所述的仓库销量预测方法。
10.一种设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器；其中，所述处理器用于调用所述存储器中的程序指令，执行如权利要求1至权利要求7中任一项所述的仓库销量预测方法。
CN202210313534.4A 2022-03-28 2022-03-28 仓库销量预测方法、装置、存储介质及设备 Pending CN114565422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210313534.4A CN114565422A (zh) 2022-03-28 2022-03-28 仓库销量预测方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210313534.4A CN114565422A (zh) 2022-03-28 2022-03-28 仓库销量预测方法、装置、存储介质及设备

Publications (1)

Publication Number Publication Date
CN114565422A true CN114565422A (zh) 2022-05-31

Family

ID=81719716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210313534.4A Pending CN114565422A (zh) 2022-03-28 2022-03-28 仓库销量预测方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN114565422A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115760223A (zh) * 2022-11-22 2023-03-07 武汉沁纯服饰有限公司 一种基于数据分析的服装电商智能监测分析系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097203A (zh) * 2018-01-29 2019-08-06 北京京东尚科信息技术有限公司 库存调度方法、库存调度装置以及计算机可读存储介质
CN112561414A (zh) * 2019-09-25 2021-03-26 顺丰科技有限公司 库存管理方法、装置及计算机可读存储介质
CN112884404A (zh) * 2021-02-08 2021-06-01 中国科学技术大学 一种智能供应链库存中转优化及异动预警系统
CN113537558A (zh) * 2021-06-03 2021-10-22 广州快批信息科技有限公司 物料需求自动向上游同步的处理方法、装置及终端设备
CN114091770A (zh) * 2021-11-25 2022-02-25 云镝智慧科技有限公司 物料需求计划的预测分析方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097203A (zh) * 2018-01-29 2019-08-06 北京京东尚科信息技术有限公司 库存调度方法、库存调度装置以及计算机可读存储介质
CN112561414A (zh) * 2019-09-25 2021-03-26 顺丰科技有限公司 库存管理方法、装置及计算机可读存储介质
CN112884404A (zh) * 2021-02-08 2021-06-01 中国科学技术大学 一种智能供应链库存中转优化及异动预警系统
CN113537558A (zh) * 2021-06-03 2021-10-22 广州快批信息科技有限公司 物料需求自动向上游同步的处理方法、装置及终端设备
CN114091770A (zh) * 2021-11-25 2022-02-25 云镝智慧科技有限公司 物料需求计划的预测分析方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵淑群等: "Excel在物流管理中的应用", 28 February 2015, 中国财富出版社, pages: 8 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115760223A (zh) * 2022-11-22 2023-03-07 武汉沁纯服饰有限公司 一种基于数据分析的服装电商智能监测分析系统
CN115760223B (zh) * 2022-11-22 2023-12-26 南京简亿网络科技有限公司 一种基于数据分析的服装电商智能监测分析系统

Similar Documents

Publication Publication Date Title
CN110009400A (zh) 商品定价方法、终端及计算机可读存储介质
Rana et al. Dynamic pricing policies for interdependent perishable products or services using reinforcement learning
Li et al. Pricing decisions during inter‐generational product transition
CN109948829B (zh) 一种基于多个售货点的调货方法、电子设备及存储介质
CN109978429B (zh) 用于输出信息的方法和装置
CN107038629A (zh) 一种商品交易中的订单处理方法、装置及服务器
CN110363476B (zh) 货物入仓分配处理方法及装置
CN113298606B (zh) 商品对象库存调控方法、装置及电子设备
CN107767092B (zh) 商品对象信息的处理方法、展示方法及装置
CN110807596A (zh) 一种跨境电商代销仓库存管理系统及方法
Vijayashree et al. A single-vendor and a single-buyer integrated inventory model with ordering cost reduction dependent on lead time
Chen et al. Optimal inventory control policy for periodic‐review inventory systems with inventory‐level‐dependent demand
CN113763125A (zh) 一种关于购买货物的采购单生成方法及装置
CN111445133B (zh) 一种材料管理方法、装置、计算机设备和存储介质
CN112053211A (zh) 商品的铺货方法、铺货装置、电子设备及可读存储介质
CN114565422A (zh) 仓库销量预测方法、装置、存储介质及设备
CN113469598A (zh) 智慧供应链系统及服务器平台
CN109934523A (zh) 信息处理方法和装置
CN110232620B (zh) 商户标签确定方法、装置、电子设备及可读存储介质
CN111507779A (zh) 一种对商品进行等级划分的方法和装置
CN115482051A (zh) 基于erp系统的商品管理方法、装置、设备及可读存储介质
CN117194764A (zh) 一种基于多平台融合商城的商品展示方法、设备及介质
CN108345941B (zh) 一种参数调整方法和装置
CN110956478A (zh) 确定物品进货量的方法和装置
CN108090713A (zh) 库存需求预测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination